Cómo hacer un análisis profesional con la estadística inferencial

Cómo hacer un análisis profesional con la estadística inferencial

Cómo hacer un análisis profesional con la estadística inferencial

Por:

Por:

Claudia Roca

Claudia Roca

Fecha de Publicación:

Fecha de Publicación:

Fecha de Actualización:

Fecha de Actualización:

La estadística inferencial es la parte de la estadística que saca conclusiones sobre una población a partir de una muestra. Sus elementos básicos son la población, la muestra, el parámetro y el estadístico, y sus dos herramientas son la estimación (puntual y por intervalos) y las pruebas de hipótesis, siempre con un margen de error medible.

«La estadística es una de las ramas de la ciencia medible más relevantes que existen»…Esto puede ser defendido o refutado por una gran cantidad de personas, pero antes de determinar el resultado real, se puede realizar una inferencia haciendo uso de la estadística inferencial. 

Vale, lo entendemos, empezamos fuerte con este artículo y es posible que sea confuso, pero que esto sirva de abrebocas de lo que te vas a encontrar de ahora en más. 

La estadística es fundamental, solo tienes que analizar para qué se usa esta disciplina en cualquier ámbito de nuestra vida: medir resultados, determinar opiniones, calcular el porcentaje de situaciones…

Sus usos varían y se extienden a medida que se extienden las necesidades. Pero, ¿qué es exactamente la estadística inferencial y en qué se diferencia de la estadística descriptiva? Todo esto y más a continuación. ¡Empezamos!

¿Qué es la estadística? 

La estadística es una rama de la ciencia que busca determinar y obtener resultados basados en datos medibles que explican y predicen ciertos fenómenos. 

Es decir, que se emplearán algunos métodos y procedimientos que permitan recolectar datos e información sobre un tema en particular. Estos datos se desglozarán, se establecerán parámetros de medición y a partir de estos parámetros se obtendrán resultados cuantificables de los sujetos de estudio. 

Es importante poder entender el concepto básico y fundamental de la estadística, para proceder a entender lo que estadística inferencial refiere. 

Para ello, conozcamos un poco las características de la estadística general y así poder entrar en el tema que nos compete: 

  • La estadística calcula porcentajes y probabilidades que resultan cruciales para conocer el estatus de una situación concreta y la toma de decisiones. 

  • Por otro lado, es un estudio muy importante en el campo de la sociología, ya que estudia el comportamiento humano dentro de una sociedad respecto a diferentes temas. 

  • Se obtienen resultados empíricos y demostrables, por lo que además de brindar una mayor seguridad también promueve un mejor análisis de los datos. 

  • La estadística es un estudio transversal, ya que puede aplicarse en distintas disciplinas, ya sea en la medicina, matemáticas y ciencias en general. 

Elementos de la estadística: población, muestra, variable, dato, parámetro y estadístico

Los elementos de la estadística son la población (el conjunto que se estudia), la muestra (la parte de esa población que se observa), la variable (la característica que se mide), el dato (el valor que toma la variable), el parámetro (una cifra de toda la población) y el estadístico (una cifra calculada en la muestra).

  • Población: un conjunto de personas, cosas u objetos bajo estudio, por ejemplo todos los clientes de una tienda online.

  • Muestra: la parte de la población que se selecciona y se estudia. Para que sirva, debe parecerse a la población que representa.

  • Variable y dato: la variable es una característica que se puede medir en cada individuo (la edad, el gasto mensual) y los datos son los valores reales que toma.

  • Parámetro: una característica numérica de toda la población, normalmente desconocida (la media de gasto de todos los clientes).

  • Estadístico: un número calculado a partir de la muestra (la media de gasto de los clientes encuestados) que sirve para estimar el parámetro.

Con esos elementos se entienden las dos partes de la estadística. La estadística descriptiva organiza y resume los datos que ya tienes (tablas, medias, gráficos). La estadística inferencial da el paso siguiente: usa un estadístico de la muestra para decir algo sobre el parámetro de la población, con un margen de incertidumbre.

¿Qué es la estadística inferencial? 

Ahora que ya conoces lo que es la estadística, es momento de entrar en materia: la estadística inferencial. 

Es uno de los tipos de estadísticas existentes, y se puede definir como una ciencia basada en deducciones y probabilidades.

A diferencia de la estadística general, en la estadística inferencial basta con solo una muestra del objeto de estudio para poder realizar una deducción probable sobre los resultados que se obtendrán. 

¡Por supuesto! La estadística inferencial tiene que basarse a su vez en pruebas contundentes que avalen sus posibles deducciones. No se trata de una ciencia si esta solo se basará en meras expectativas a raíz de una opinión personal tiene que tener por tanto, fundamento. 

Y por esa razón, la estadística inferencial posee los siguientes elementos: 

Pruebas de estimación puntual 

Como su propio nombre indica, la estimación puntual se obtiene a través del o los valores poblacionales de la muestra obtenida. 

Dicho de otra forma, se trata de aproximar el valor de un parámetro de estudio tomando en cuenta la muestra que se ha obtenido de una población. Se trata pues, de una estimación del valor real de un parámetro poblacional que aún se desconoce, pero que gracias a la muestra, se puede inferir los resultados. 

Del mismo modo, la estimación puntual también posee ciertas características que tienen que ser de conocimiento general: 

  • Sesgo: el sesgo no puede existir o su presencia tendría que ser la mínima posible en la estimación puntual. Ya que, si un estimador posee un sesgo de cualquier tipo en el cálculo de su muestra, menos precisa será y por tanto, la estadística en general tendrá un sesgo que reduce la veracidad de sus resultados. 

  • Eficiencia: se refiere a la variación de la distribución muestral de un estimador. A mayor sea su varianza en los resultados, significa que es menos eficiente. Mientras que, el estimador que tiende a tener menos variaciones en sus estudios y resultados, será mucho más atractivo y eficiente de cara al mundo laboral. 

  • Consistencia: se puede resumir como, mientras mayor sea la muestra, se estará más cerca del valor real de la población. Es decir, es tener consistencia entre los datos obtenidos y los resultados, a mayor muestra mayor precisión, y por ende, una aproximación más realista del valor real. 

Estimación por intervalos

Una estimación por intervalos da un rango de valores, en lugar de uno solo, en el que se espera que esté el parámetro, con un nivel de confianza concreto (por ejemplo, el 95 %). Para la media, el intervalo se calcula como x̄ ± t × s/√n, donde x̄ es la media de la muestra, s su desviación típica, n el tamaño de la muestra y t el valor de la distribución t de Student con n − 1 grados de libertad.

Ejemplo trabajado (datos ilustrativos). Una muestra de 25 clientes gasta de media 52 € al mes, con una desviación típica de 10 €. El error estándar es 10/√25 = 2 €. Con un 95 % de confianza y 24 grados de libertad, t = 2,064, así que el margen es 2,064 × 2 ≈ 4,13 € y el intervalo va de 47,87 € a 56,13 €.

El 95 % describe el método, no este intervalo concreto: repitiendo el muestreo muchas veces, en torno al 95 % de los intervalos contendrían la media real. Esta fórmula es la que recoge el manual electrónico del NIST.

Si quieres llevar la analítica con Power BI y la estadística aplicada a tu trabajo, el Máster en AI Data Analytics de The Power te enseña a «convertir datos en decisiones con IA generativa desde el primer módulo».

Pruebas de hipótesis

Es el proceso o estudio por el cual se evalúa y comprueba qué tan acertada es la estimación realizada con respecto a una muestra poblacional. 

Las «hipótesis» son conjeturas sobre un parámetro de la población. Se plantean dos: la hipótesis nula (H0), que se mantiene mientras los datos no aporten evidencia suficiente en su contra, y la hipótesis alternativa (H1), que se acepta si la evidencia obliga a rechazar H0. 

Por ejemplo, una hipótesis podría ser la estimación de una persona con respecto al porcentaje de estudiantes cursando bachillerato en su comunidad. 

«En mi comunidad, el 90% de los jóvenes de entre 12 a 16 años, cursa bachillerato mientras que el otro 10% trabaja». 

Es decir, la hipótesis sugiere que, a partir de cierto rango de edad (tómese los 12 a 16 años), los jóvenes tendrían que estar cursando el bachillerato, y otro porcentaje menor, estaría laburando. 

Por tanto, si en la comunidad hay rangos de edades entre los 10 y los 18 años, se deducirá que los que se encuentren en el rango de edades de 12 a 16 años, se encontrarán cursando el bachillerato y cuyo porcentaje variará dependiendo de la muestra poblacional de jóvenes totales. 

Esta hipótesis se podría comprobar con un censo casa por casa, pero la estadística inferencial existe justo para no tener que hacerlo: se toma una muestra y se mide cuánta evidencia aporta contra la hipótesis nula.

El proceso, en cuatro pasos: (1) formular H0 y H1; (2) fijar el nivel de significación α, que es la probabilidad de rechazar una H0 verdadera y suele elegirse entre 0,10, 0,05 y 0,01; (3) calcular el estadístico de contraste y su valor p, la probabilidad de obtener un resultado al menos tan extremo como el observado si H0 fuera cierta; (4) rechazar H0 si el valor p es menor que α. Estos criterios aparecen en el manual del NIST.

Hay dos formas de equivocarse. El error de tipo I es rechazar una hipótesis nula que era verdadera; el error de tipo II es no rechazar una hipótesis nula que era falsa. Cuál es más grave depende del contexto, según el libro abierto de OpenStax.

Siguiendo el ejemplo (datos ilustrativos): queremos contrastar H0: la media de gasto es 50 € frente a H1: no es 50 €. El estadístico es t = (52 − 50)/2 = 1,00 con 24 grados de libertad, y el valor p bilateral es de aproximadamente 0,33. Como 0,33 es mayor que α = 0,05, no rechazamos H0: con 25 clientes, la diferencia de 2 € podría ser simple azar. Fíjate en que coincide con el intervalo anterior, que incluye el 50.

Ojo: no rechazar H0 no prueba que sea cierta. 

Pruebas paramétricas 

Una prueba paramétrica es aquella que, partiendo de unos supuestos sobre la distribución de los datos (normalmente que sean aproximadamente normales), compara un parámetro como la media de una variable cuantificable entre los grupos que define otra categórica. La t de Student es el ejemplo clásico. 

Una variable categórica es la que divide a los individuos de estudio en grupos, y para dividirlos en grupos, es necesario que estos cumplan ciertas características semejantes para que puedan asociarse. 

Es decir, para aplicar la prueba paramétrica en el caso de que se tengan dos grupos de individuos, se tiene que: 

  • Medir la variable cuantitativa de los grupos y que esta siga aproximadamente una distribución normal (la campana de Gauss). Normal no significa que los grupos tengan el mismo tamaño. 

  • Por otro lado, se tiene que evaluar que ambos grupos sean homogéneos en sus características para que la varianza no sea considerable y no distorsione los verdaderos resultados. 

  • Por último, conviene que los grupos sean grandes: se suele tomar 30 observaciones como referencia orientativa, porque con muestras grandes la normalidad exacta importa menos, pero no es un umbral rígido. A mayor muestra, mayor precisión; si es reducida, el resultado es menos preciso y más variable. 

Pruebas no paramétricas 

A diferencia de las pruebas paramétricas, las no paramétricas no siguen parámetros estrictos para su aplicación, es decir, es mucho más libre. Una prueba no paramétrica no se basa en ninguna distribución teórica, así que sirve cuando los datos no son normales o la muestra es demasiado pequeña para confiar en la normalidad. Se recomienda cuando no se pueden cumplir los supuestos de las paramétricas. 

Otro factor determinante a la hora de aplicar una prueba paramétrica o no paramétrica, es la cantidad de la muestra. Ya te comentamos que para las pruebas paramétricas lo ideal es que se tenga una muestra igual o mayor a 30 personas, lo que quiere decir, que una muestra menor será ideal estudiarla a través de pruebas no paramétricas. 

Ojo con un error habitual: si la muestra está sesgada o se ha elegido a conveniencia del investigador, cambiar de prueba no lo arregla. Ni una prueba paramétrica ni una no paramétrica corrigen una muestra mal elegida. 

elementos de la estadística inferencial

Si el análisis de datos es lo tuyo, la guía del data analyst te da el mapa de habilidades, y el Máster en AI Data Analytics incluye «estadística aplicada, visualización y storytelling, y arquitectura de datos».

I

Algunos ejemplos de estadística inferencial 

Para llevar este nuevo conocimiento adquirido a la práctica, te mostraremos algunos ejemplos ideales que podrán exponer con mucha mayor facilidad, lo que refiere a la estadística inferencial. 

Caso 1 

El análisis de mercado es uno de los métodos estadísticos de mayor importancia en el mundo del marketing digital actual, lo que resulta también muy atractivo para cualquier empresa o proyecto. 

Por tanto, el análisis de mercado consiste en la aplicación y uso de herramientas de medición estadísticos de ciertos grupos focalizados a un nicho en específico. Es decir, se estudian las necesidades, quejas, preferencias y recomendaciones de los clientes, y deducir por estadística qué está dando mejores resultados y qué no. 

Pudiendo así, tomar mejores decisiones y aplicar estrategias eficientes y que brinden mejores resultados tomando en cuenta el contexto y el nicho. 

Caso 2

El análisis de tendencia, se trata de la recopilación de datos e información ofrecida por herramientas de medición. Una herramienta de medición típica en el análisis de tendencia, es la encuesta, que se encarga de recabar información sobre lo que piensa un público o población determinada con respecto a un tema. 

Esta información recaba es desglosada y analizada de forma superficial, y tomando en cuenta la tendencia de las respuestas, se puede inferir los resultados que se obtendrán más adelante cuando se realicen las mediciones profundas. 

Caso 3

La estadística de acción se trata de un análisis concreto sobre una variable dentro de una población determinada y sus características, para determinar cuáles son las mejores medidas de acción a usar en dichos casos. 

Un ejemplo fácil de esto lo puedes evidenciar en la salud pública: ante un brote de una enfermedad infecciosa no se puede examinar a toda la población, así que se estudia una muestra de pacientes. 

Los profesionales de la medicina y salud pública determinan las características de la enfermedad dentro de esa muestra: causas, síntomas, forma de contagio, entre otros datos. 

Usando estas características, se pueden realizar inferencias sobre qué hacer para frenar su propagación en toda la población. Por ejemplo: 

  • Si en la muestra se observa que la enfermedad se transmite por vía respiratoria, se puede inferir que medidas como la ventilación o las mascarillas reducirán el contagio. Esa inferencia es una hipótesis: se contrasta después con más datos. 

Tipos de muestra en estadística 

Una muestra estadística, como ya podrás inferir gracias a toda la información anterior, se trata de la información o datos que se obtienen de una población específica. Dichos datos son estudiados y analizados para comprobar, determinar y representar una conclusión con respecto a ellos. 

Dentro de los tipos de muestra en estadística, se encuentran aquellos elementos en los que todos tienen probabilidad de formar parte de una muestra, conocida como muestra probabilística. Mientras que, por otro lado, existen elementos que por sus características no tendrán la misma probabilidad o posibilidad de formar parte de la muestra, conocido como muestra no probabilística. 

Así mismo, la muestra probabilística y no probabilística posee sus propios tipos de muestra, como podrás observar a continuación: 

Tipos de muestra probabilística 

1. Muestra aleatoria simple

Es el tipo de muestreo básico, en el que todos los individuos o elementos que conforman la muestra, tienen la misma posibilidad de ser partícipes en el estudio de forma aleatoria.

Para este tipo de muestra, será necesario tener establecido la cantidad total de cada muestra. 

2. Muestra sistemática 

La población o muestra tiene que ser numerada e identificada, de manera que el investigador escogerá un número al azar, y luego tendrá que establecer un número que determinará la distancia entre los elementos a escoger. 

Dicho de otra forma, el investigador escoge el número 2 como punto de partida, y a partir de allí, determina la distancia de los elementos con el número 2 también, por ejemplo. Eso quiere decir, que su muestra se conformará de dos en dos, siendo pues los escogidos los números 2, 4, 6, 8,10 y así sucesivamente. 

3. Muestra estratificada 

Se dividen los elementos de la muestra en estratos que comparten cierta cantidad de características comunes. Para luego ser seleccionados de forma proporcional para así conformar la muestra de estudio. 

4. Muestra de conglomerados 

Una muestra de conglomerados es cuando los sujetos de estudio ya se encuentran de forma natural divididos en grupos. Por lo que en estos casos se eligen al azar algunos de esos grupos (conglomerados) y se estudian sus integrantes. 

Tipos de muestra no probabilística 

1. Muestra por cuotas 

Se busca establecer muestras a partir de características comunes dentro de una población. Por ejemplo, si en una población de estudiantes hay 50% que conforman el bachillerato y 50% de universitarios, la muestra de estudio tendrá que contar con la misma distribución o porcentaje. 

2. Muestra por conveniencia 

El investigador elige su muestra a través de características que le resulten convenientes según lo que quiera determinar. Por lo general, los elementos escogidos se dan según su proximidad, y el investigador reconoce que no es una representación total de la población, solo se usa para conocer datos superficiales. 

3. Muestra bola de nieve 

Lo que se pretende con este tipo de muestra, es que un sujeto de la misma pueda identificar a otros sujetos que compartan sus mismas características para que formen parte de la muestra y así sucesivamente. 

4. Muestra discrecional 

La muestra se determina a través de cierto criterio o experiencia del sujeto. Por ejemplo, si se quiere estudiar las causas de la depresión, entonces se requerirá de individuos o sujetos que hayan pasado por este cuadro psicológico. 

tipos de muestra en la estadística

Un criterio práctico para cerrar: la muestra manda sobre la fórmula, porque un intervalo o un valor p calculados con una muestra sesgada son precisos pero equivocados. Para trabajar con datos cada día, el Máster en AI Data Analytics te enseña a «dominar el análisis en sus 4 niveles»: descriptivo, diagnóstico, predictivo y prescriptivo.

Preguntas frecuentes

¿Cuáles son los elementos de la estadística?

Los elementos de la estadística son la población, la muestra, la variable, el dato, el parámetro y el estadístico. La población es lo que se estudia y la muestra, su parte observada. La variable es la característica medida y el dato, su valor. El parámetro describe a la población y el estadístico, a la muestra.

¿Cuáles son las partes de la estadística?

La estadística tiene dos partes principales. La descriptiva organiza y resume los datos disponibles con tablas, medidas y gráficos. La inferencial usa una muestra para sacar conclusiones sobre una población mayor, mediante estimaciones y pruebas de hipótesis, e indica cuánta incertidumbre hay en esa conclusión.

¿Cuáles son las características de la estadística inferencial?

La estadística inferencial trabaja con muestras en lugar de poblaciones completas, se apoya en la probabilidad y sus conclusiones llevan un margen de error medible. Tiene dos grandes bloques: la estimación de parámetros (puntual y por intervalos) y el contraste de hipótesis. Exige muestras bien elegidas y representativas.

¿Qué es el análisis inferencial?

El análisis inferencial es el conjunto de métodos que permite generalizar los resultados de una muestra a la población de la que procede. Se estima un parámetro con un valor o un intervalo, o se contrasta una hipótesis con un nivel de significación. Sirve para decidir con datos parciales, sabiendo cuánto puede equivocarse la conclusión.

¿Qué temas incluye la estadística inferencial?

Los temas habituales son el muestreo (probabilístico y no probabilístico), la estimación puntual y por intervalos de confianza, las pruebas de hipótesis con su nivel de significación, valor p y errores de tipo I y II, y la elección entre pruebas paramétricas y no paramétricas según los supuestos de los datos.

¿Cuándo usar una prueba paramétrica o no paramétrica?

Una prueba paramétrica, como la t de Student, se usa cuando los datos cumplen sus supuestos de distribución, normalmente que sean aproximadamente normales, o la muestra es grande. Una no paramétrica no se basa en ninguna distribución teórica y es la opción cuando esos supuestos no se cumplen o la muestra es pequeña.

Si te ha resultado interesante y enriquecedor este artículo, no olvides recomendarlo y compartirlo con tus allegados que puedan estar necesitando de esta información de valor. 

Comparte este artículo

Branding

Framework

IA

Estrategia

Segmentación

clases gratis de Marketing

5

A un paso de ser un experto en Growth Marketing

Ver clases

RECOMENDADOS PARA TI

Aplica la inteligencia artificial en tu empresa

Estrategia de marketing digital y crecimiento real

Conviértete en developer sin experiencia previa

BÚSQUEDA

Artículos Relacionados

Privacidad y Seguridad: El ecosistema de la información en 2026

VER ARTÍCULO

¿Qué es Sponsored Brands de Amazon y cómo funciona?

VER ARTÍCULO

OKTA y seguridad digital: Qué es, cómo funciona y por qué usarlo

VER ARTÍCULO

Qué es Jotform y cómo crear formularios paso a paso

VER ARTÍCULO

¿Quieres saber cuáles son los MEJORES CRM del momento?

VER ARTÍCULO

Cómo usar Google Search Console: tutorial completo para principiantes¡Descárgatelo!

VER ARTÍCULO

Descubre el máster que mejor encaja contigo

Descubre el máster que mejor encaja contigo

HACER TEST

HACER TEST

Business & IA

Tech & Data

Pharma

FP Oficial

Oposiciones

Oficios

In Company